EVOLUCIÓN DE LA DINAMICIDAD EN UNA RED LONGITUDINAL

EVOLUCIÓN DE LA DINAMICIDAD EN UNA RED LONGITUDINAL
Autores: Gloria Álvarez-Hernández, Oscar Pérez-Zapata
Datos de contacto: Gloria Álvarez Hernández gloria@dubitare.com
ABSTRACT
El análisis de redes sociales longitudinales ha sido objeto de numerosas investigaciones
en los últimos años con el objetivo de profundizar sobre los mecanismos de la
formación de redes sociales y su desarrollo a lo largo del tiempo. La presente
investigación utiliza un conjunto de medidas de dinamicidad (dynamicity) de redes
sociales longitudinales, desarrolladas y descritas en Uddin, Khan y Piraveenan (2015),
que contemplan dos tipos de comportamientos que cambian en el tiempo: las
variaciones en la posición de la red y las variaciones en la participación. Estas medidas
son calculadas a partir de la red social virtual construida con 918 emails de una lista de
distribución de una comunidad de práctica de ingenieros de una empresa multinacional
del sector TIC durante un periodo de cuatro años y medio. El periodo está subdividido
en varios sub-periodos que coinciden con periodos de adopción de innovaciones
(nuevos software y hardware) en las redes de telecomunicaciones en las que trabajan los
ingenieros de la comunidad. Los resultados sugieren que el incremento en dinamicidad
coincide con los tiempos de lanzamientos de nuevas innovaciones tecnológicas a través
de las participaciones de las personas de la comunidad que trabajan con los "early
adopters" de esas innovaciones.
PALABRAS CLAVE: redes virtuales, redes intraorganizacionales, redes de difusión,
innovación, dinamicidad, redes sociales
INTRODUCCIÓN
Una red está compuesta por un conjunto de puntos (o nodos) y los vínculos entre ellos
(relaciones). Los nodos y las relaciones pueden tener distintos significados dependiendo
del contexto (T. A. B. Snijders, 2006). Una red social longitudinal consiste en distintas
observaciones de una red social en distintos instantes de tiempo (Uddin, Khan, &
Piraveenan, 2015).
El estudio de redes sociales longitudinales ha sido objeto de numerosas investigaciones
en los últimos años con el objetivo de profundizar sobre los mecanismos de la
formación de redes sociales y su desarrollo a lo largo del tiempo (McCulloh & Carley,
2009; por ej, McCulloh & Carley, 2011; T. A. Snijders, 2009; Uddin, Piraveenan, Khan,
& Amiri, 2013; Uddin et al., 2015). Además, existen varios "modelos para el análisis
estadístico de relaciones que se miden longitudinalmente o en el curso del tiempo"
(Wasserman & Faust, 2013). El uso de diseños de investigación longitudinal frente a
una investigación trasversal, en un solo instante de tiempo, puede además ayudar a
establecer relación causales. Varios autores (Carrington, Scott, & Wasserman, 2005;
Lid, 2013; McCulloh & Carley, 2011) han apuntado que esta metodología de Análisis
de Redes Sociales (ARS) puede ser útil para detectar y observar cambios en las redes a
lo largo del tiempo, es decir, se utilizaría para analizar el proceso por el cual un grupo o
un conjunto de nodos cambia a lo largo del tiempo (Álvarez-Hernández, 2015;
Wasserman & Faust, 2013). Aún así, la investigación de análisis de redes sociales longitudinales es relativamente
reciente: cuando se usa la herramienta Google trends1 con los términos compuestos por
los conjuntos de vocablos "dynamic networks", "longitudinal networks", "longitudinal
social networks", "longitudinal network analysis" o "dynamic social network" ésta
indica que "el volumen de búsquedas no es suficientemente elevado para que se generen
gráficos", cosa que no ocurre si introducimos "social network analysis". Esto se ve
confirmado al visualizar la evolución número de artículos disponibles sobre los
términos previos en Google Scholar en los últimos años (ver Figura 1):
1
Datos obtenidos a través de Google trends, el día 1/5/2016
Evolución de la terminología en Google Scholar
4000
3500
3000
2500
2000
1500
1000
500
0
longitudinal network analysis
longitudinal networks
dynamic networks & social network analysis
longitudinal network analysis
dynamic social networks
Figura 1. Evolución de publicaciones de análisis de redes sociales longitudinales.
Elaboración propia basada en acceso a Google Scholar el día 1/5/2016
Aunque el estudio de redes sociales longitudinales no es nuevo, ya que los modelos de
análisis estuvieron disponibles a finales de la década de 1950 (para más detalle se puede
revisar Wasserman & Fust, 2013; p.734), del análisis de la figura anterior podemos
concluir que la investigación sobre redes dinámicas o longitudinales si sería incipiente y
novedosa, y podría estar teniendo su punto de inflexión al inicio de la década presente.
Esto podría ser debido al desarrollo de un ecosistema que acompaña a la metodología y
favorece su adopción: la disponibilidad y fácil acceso a datos longitudinales (por ej. en
las plataformas de redes sociales Twitter, Facebook o en plataformas de redes sociales
empresariales), de herramientas software y lenguajes de programación gratuitos tanto de
extracción de datos (por ej. algunas funciones de R), como de análisis (por ej. SIENA,
ORA) o de visualización (por ej. Dephi, JSON y D3, ORA) y a la disponibilidad de
formación en este ámbito (por ej. talleres de análisis longitudinales o de extracción de
datos en congresos internacionales como European Social Network Conference, EUSN
2014 y 2016, o las Sunbelt Conference de los de la asociación International Network for
Social Network Analysis, INSNA 2014 y 2016, entre otros).
Sin embargo, si comparamos el volumen de publicaciones de las terminologías
anteriores con el volumen de publicaciones "social network analysis" a través de
Google Scholar en los dos últimos años2, éstas solo suponen entre un 1%-7% lo que
podría indicar la infrautilización de las metodologías de análisis longitudinal y el uso de
la variable temporal en el campo del análisis de redes sociales reafirmando la idea de
2 2
Datos obtenidos a través de Google trends, el día 1/5/2016
que es una metodología de investigación aún poco utilizada y difundida entre la
comunidad científica del campo del análisis de redes sociales.
En definitiva, se echan en falta investigaciones con análisis descriptivos, estadísticos y
visualizaciones en este campo y pareciera que el análisis dinámico de las redes aplicado
es "una de las últimas fronteras del ARS" que requiere de desarrollos futuros (ÁlvarezHernández, 2016) o como mencionan Wasserman et al. (2007) citados en McCulloh y
Carley (2009; 2011), "el análisis de las redes sociales a lo largo del tiempo sigue siendo
el "santo grial" para los investigadores de redes".
El presente artículo tiene como objetivo realizar una investigación exploratoria inicial a
través de una metodología de análisis de redes sociales longitudinales en un contexto
intra-organizacional aplicado.
ANÁLISIS LONGITUDINAL (O DINÁMICO) DE REDES SOCIALES
La investigación previa ha explorado el análisis longitudinal de redes sociales en
diferentes disciplinas: ha sido utilizado por los sociólogos para estudiar la "evolución de
las redes, la formación de creencias, la formación de amistad, la difusión de
innovaciones, la difusión de comportamientos desviados", ... (McCulloh & Carley,
2009); o como apuntan Uddin, Piraveenan, Khan y Amiri (2013), en la educación
psicología, salud, infancia, juventud, historia, ciencia de las organizaciones,
criminología... en informática, o incluso en materia de terrorismo (McCulloh & Carley,
2009; 2011). Por ejemplo, en psicología se ha utilizado para profundizar en la difusión
de la felicidad (Fowler & Christakis, 2008), o de enfermedades como la obesidad
(Christakis & Fowler, 2007) y en la informática para el estudio de difusión de virus
(Ren, Yang, Zhu, Yang, & Zhang, 2012) como se exponía en Uddin et al. (2013).
Sin pretender realizar una revisión completa de los métodos de análisis longitudinal de
redes sociales que se escaparía del objeto de este artículo, aunque sí se puede apreciar
en la literatura una carencia a ese respecto, a continuación se presenta un resumen de
métodos de análisis de redes sociales longitudinal (ver Tabla 1) basado en el marco
propuesto por McCulloh y Carley (2009; 2011), que ha sido completado con otras
categorías (autores y herramientas) y otras fuentes bibliográficas (Uddin et al., 2013;
Uddin et al., 2015).
Entre los modelos diseñados para este tipo de análisis se encuentran aquellos que
"presentan suposiciones estocásticas sobre las conductas emisoras de los actores,
mientras que otros suponen que las conductas están gobernadas por un conjunto de
ecuaciones que no incorporan ninguna suposición probabilística" (Wasserman & Faust,
2013, 734). Según los últimos autores habría al menos dos enfoques para los modelos
estocásticos de redes longitudinales: 1) uno que estudia las asociaciones entre las
relaciones en el tiempo, y que también puede tener en cuenta como la estructura previa
predice la estructura presente y 2) otro modelo que estudia las redes como procesos
estocásticos bien en un tiempo continuo o discreto. Con este último tipo de modelos se
profundizaría sobre cómo las estructuras reticulares simples cambian el en tiempo, por
ejemplo de qué modo variarían el número de diadas, o el grado de entrada. En este tipo
se encuentra como ejemplo los modelos de Markov, uno de los principales métodos de
análisis longitudinales de redes sociales junto con los de simulación multi-agente. Una
cadena de Markov es un proceso estocástico en el que distribución de probabilidad de
los estados futuros, en el estado actual, no depende de estados previos (T. A. Snijders,
2009).
Cadena de Markov
Problema a resolver
Supuestos clave
Limitaciones
Fortalezas
Multi-agente
Evolución de la red basada en el
comportamiento a nivel de nodo.
Explora cambios evolutivos de un
estado a otro y trata de explicar los
mecanismos para esos cambios
Evaluar el impacto de la
intervención social en la dinámica
de grupo
El comportamiento del nodo puede
inducir el comportamiento del grupo
Se conocen las teorías sociales
No hay cambios exógenos en la red subyacentes que afectan a la
dinámica de grupo
Evolución de la red basada en
hipótesis de Markov.
Explora cambios evolutivos de un
estado a otro y trata de explicar los
mecanismos para esos cambios
Determinar la forma subyacente
teorías sociales afectan a la
dinámica de grupo.
El comportamiento futuro de la red
es independiente del pasado
No tiene en cuenta cambios
exógenos
Supuestos de Markov
No es capaz de cuantificar el nivel
de dinamicidad de un actor o un
grupo de actores en los cambios y
su contribución a la dinamicidad de
la red longitudinal
Problemas de convergencia cuando
hay cambios sociales endógenos
(basados en la estructura) y
exógenos (basados en los atributos)
Limitaciones computacionales para
redes grandes
Utiliza ambos modelos exógenos y
evolutivo pero no detecta cambio
Detección de cambio en redes
Estadísticos
sociales
Compara las propiedades de la red Detectar cambio (colisión,
en distintos puntos en el tiempo
evolución, mutación)
Las supuestos varían, pero pueden El comportamiento del grupo puede
incluir la dependiencia/
ser inferido de la red social
intedependencia diádica, la
longitudinal
independencia a lo largo del tiempo,
la clase del nodo
No tiene en cuenta la dependencia La ergodicidad y la dependencia no
temporal
están contempladas totalmente.
No es una aproximación longitudinal
No es capaz de cuantificar el nivel
de dinamicidad de un actor o un
grupo de actores en los cambios y
su contribución a la dinamicidad de
la red longitudinal
Limitaciones para modelizar la
realidad de las redes sociales
complejas
Determinación de las teorías
Puede simular dinámicas de grupo
sociales significativos que afectan a en una red social
la dinámica de grupo
Las teorías sociales subyacentes
deben ser conocidas
Ejemplos de
SIENA
Sistema multiagente DYNET
Herramientas Software Módulos de Temporal Exponential
Random Graph Models y ARS en
Stanet
Ejemplos de autores
Snijders et al.. (2010) - stochastic Carley, Dombroski, y Tsvetovat,
actor oriented models)
Reminga y Kammeva (2003)
Robins et al. (2007) - exponential
random graphs
Se puede utilizar para comparar
redes sociales
Detecta cambios en redes sociales
empíricas a lo largo del tiempo
Varios programas
ORA
Sampson (1968)
McCulloh y Carley (2009; 2011)
Tabla 1. Métodos de análisis de redes longitudinales basado en adaptación del marco de
McCulloh y Carley (2009; 2011), y los autores Uddin et al. (2013) y Uddin, Khan y
Piraveenan (2015)
El objetivo de los análisis longitudinales de redes sociales es profundizar en los cambios
de la estructura de la red en un determinado periodo de tiempo. En el tipo de cambios se
incluyen dos posibles perspectivas: 1) cambios en la participación de la red (por
ejemplo en la ausencia o presencia de relaciones), y, 2) cambios en la variación de la
actividad de la red (por ejemplo, en la conectividad con otros actores) (Uddin et al.,
2015). De acuerdo con los autores previos, la dinamicidad o la dinamicidad de la red
"representa la variabilidad de la implicación de los actores en la red a lo largo del
tiempo". Sin embargo, ninguno de los enfoques de análisis de redes longitudinales tales
como el de cadena de Markov (modelos exponenciales para grafos aleatorios y modelos
estocásticos basados en actor o agentes), de simulación multi-agente, o el de la
aproximación de Sampson son capaces de cuantificar el nivel de dinamicidad de un
individuo o de un grupo de miembros de la red, ni permiten la comparar y contrastar
distintas redes longitudinales (Uddin et al., 2013; Uddin et al., 2015). Los autores
anteriores proponen un conjunto de medidas paliar las anteriores limitaciones y por
tanto, explorar qué actores contribuyen a la evolución de la red longitudinal y a la
dinamicidad en un determinado intervalo de tiempo
En esta investigación se utilizarán el conjunto de medidas de dinamicidad propuestas
por Uddin et al. (2015) para estudiar la evolución de una comunidad de práctica de
ingenieros de una empresa multinacional.
TOPOLOGÍA ESTATICA Y DINÁMICA DE LA RED SOCIAL
El presente apartado está basado en su totalidad en las referencias de Uddin et al. (2013)
y Uddin et al. (2015) que propusieron medidas de dinamicidad para redes
longitudinales.
Los autores Uddin et al. (2013) y Uddin et al. (2015) se apoyan en los conceptos de
topología estática y dinámica de una red social. La topología de la red se define en
función del tipo de agregación temporal que se hace de las relaciones de la red. Así
como apuntan los anteriores autores, en una topología estática, los análisis de redes
sociales se aplicarían a la agregación de todos los datos de la red en el periodo de
estudio, mientras que en la topología dinámica, se dividiría el anterior periodo en varios
intervalos que se utilizarían para el análisis de redes sociales. Es decir, la topología
dinámica de la red puede ser aplicada a nivel de día, semana, mes en un periodo de
cinco años por ejemplo. En la figura 2, se muestra las diferencias entre ambos casos
mediante tres observaciones en distintos intervalos (día 1, día 2 y día 3) para dos redes
sociales diferentes RSL1 y RSL2. En el caso de la topología estática los análisis de
redes se realizarían en una única red agregada resultante de la suma de las distintas
relaciones y actores que incluirían los datos de los tres días, es decir en el periodo total,
mientras que en la topología dinámica, se analizarían los tres intervalos por separado y
no se tendría en cuenta la red agregada.
Red agregada
RSL1
Topología
estática
Tiempo
Día 1
Día 2
RSL2
Día 3
Sin red
agregada
Topología
dinámica
RSL: Red social longitudinal
Figura 2. Topologías estática y dinámica de análisis de redes sociales en redes sociales
longitudinales (Uddin et al., 2013; Uddin et al., 2015)
MEDIDAS DE DINAMICIDAD
Uddin et al. (2015) proponen que el nivel de dinamicidad de la red "depende de los
cambios en los comportamientos de los distintos actores o nodos (por ejemplo su
posición y participación) en la red de un intervalo versus el comportamiento de la red
total agregada en todo el periodo temporal de estudio" (este periodo sería la suma de los
distintos intervalos). Por tanto, estudiar la dinamicidad implicaría "la observación y
análisis de la implicación de los distintos actores a nivel individual en todos los
intervalos y en el periodo de agregación de los mismos", o lo que es lo mismo, como
sugieren los autores, ambas topologías serían necesarias para el análisis longitudinal.
En dos intervalos consecutivos los nodos vecinos de un nodo pueden variar, cambiando
la posición del nodo, que puede ser medida a través de la centralidad de red, pero
también podría cambiar su presencia, es decir en un intervalo t, un nodo puede estar
presente y en el t+1 estar ausente en la red, y en un t+2 volver a estar presente de
nuevo. Por ejemplo, en una lista de distribución una persona podría responder un correo
electrónico en el mes 1, en el mes 2 no participar en los intercambios de correos
mientras que en el mes 3 contestaría varios correos de la lista. Las medidas de
dinamicidad tendrían dos componentes, uno posicional que incorpora los cambios en la
posición del nodo y otro de participación que indicaría la presencia o ausencia del nodo
en los distintos intervalos (Uddin et al., 2015).
Entre las principales asunciones del estudio de Uddin et al. (2015) se encuentran que: 1)
para el cálculo de la dinamicidad de un actor en la red social longitudinal no muestra
ninguna dinamicidad en un intervalo pequeño a menos que el nodo esté presente en el
mismo; y 2) la red longitudinal es observada en m instantes temporales diferentes donde
tm>tm-1>...>t2>t1. Es decir, habría m intervalos en los cuales se encuentran presentes n1,
n2, .., nm-1, nm nodos o actores, siendo N el número total de actores en la red agregada de
todos los intervalos. En estos intervalos un actor podría aparecer en más de uno de ellos.
La red para cada intervalo se representaría con una matriz M bidimensional de N x m y
binaria de ceros y unos, que daría información de la ausencia o presencia de los N
actores en cada uno de los m intervalos.
En el ámbito de aplicación las medidas de dinamicidad de una red longitudinal
propuestas por Uddin et al. (2015) pueden ser calculadas en tres niveles 1) actor o nodo,
2) de toda la red longitudinal agregada y 3) de la red en un segmento temporal. Los
autores proponen tres medidas, la dinamicidad posicional, la de participación y la total
(suma de las dos).
La dinamicidad posicional sería el componente de la dinamicidad que refleja los
cambios en la posición de los actores en los distintos intervalos respecto a su posición
de la red agregada, donde la posición se cuantifica con alguna medida estructural de red,
por ejemplo la centralidad de grado, la centralidad de intermediación o el grado de
cercanía (Uddin et al., 2015). Así pues, la fórmula de dinamicidad posicional (Dpo)
para un actor i expresada en porcentaje, propuesta por los autores, sería:
m
Dpoi =
Σ
t =1
PRrai - PRiri (t)
x M (i, t)
PRrai + PRiri (t)
m
x 100%
Donde:
Dpoi
es la dinamicidad posicional para el actor i
PRrai
es la posición en la red para un actor i en la red agregada (ra). La
posición de la red es calculada por ejemplo mediante la centralidad de
grado
PRiir (t)
es la posición en la red (por ej. la centralidad de grado) para un actor i
en el intervalo t
M (i, t)
representa la ausencia o presencia de un actor i en un intervalo t
m
es el número de intervalos. Al dividir por él actúa como un factor para
normalizar y permitir la comparación de distintos actores en distintas
redes sociales longitudinales
Al utilizarse los parámetros de posición (por ej. la centralidad de grado), la dinamicidad
posicional del actor tendrá un valor comprendido entre 0 y 1, y en porcentaje entre
0<Dpoi<100%. Para evitar la neutralización entre posicione relativas entre actores en
intervalos vs la red agregada se utilizan valores absolutos (Uddin et al., 2015).
La dinamicidad posicional de la red longitudinal sería la suma de las dinamicidades
posicionales de cada uno de los actores o nodos de la red dividida entre el número de
actores N de la red total agregada y multiplicada por 100% para expresar la fórmula en
porcentaje (Uddin et al., 2015). De nuevo la división entre N facilita la comparativa
entre distintas redes longitudinales.
N
Σ Dpo
i
Dpoi =
t =1
x 100%
N
Por último, la dinamicidad posicional de la red en un intervalo se calcularía según la
siguiente fórmula (Uddin et al., 2015):
m
Dpoir (t) =
Σ
t =1
PRrai - PRiri (t)
x M (i, t)
PRrai + PRiri (t)
nt
x 100%
De nuevo la división entre nt (el número de actores en el intervalo t) facilita la
comparativa entre las distintas redes longitudinales de los múltiples intervalos y el
rango de la dinamicidad posicional de la red en el intervalo t será un valor comprendido
entre 0 y 100% y en porcentaje entre 0<Dpoi<100%. En cada una de las tres medidas
contempladas, un valor más alto representaría una mayor dinamicidad posicional
(Uddin et al., 2015).
La dinamicidad por participación es un indicador de la variación de la participación de
los distintos actores en dos intervalos consecutivos, es decir, que los cambios en la
participación de los actores en los intervalos consecutivos también contribuirían a la
dinamicidad (Uddin et al., 2015). Si un actor i está presente en el intervalo t y en el t-1
su dinamicidad por participación vendrá expresada por la siguiente fórmula, donde la
multiplicación de las dos fracciones indicaría la probabilidad de que un actor esté
presente en el intervalo t y en el t-1:
Dpai
ir (t)
nt
= 1-
X
N
nt-1
N
Y si está presente en el intervalo t pero no en el t-1, la dinamicidad por participación
sería:
Dpai
ir (t)
=
nt
1-
X
N - nt-1
N
N
Estas fórmulas serían válidas para todos los intervalos excepto el inicial donde se
utilizaría:
Dpai
=
1-
ir (t1
n1
N
Combinando las tres ecuaciones anteriores, después de simplificar y expresar en
porcentaje se llega a la siguiente fórmula de dinamicidad por participación de un actor:
1-
nt
N
m
x M (i, t) +
Σ M (i, t)
t =2
1-
2nt nt-1
M (i, t-1) +
Nnt
N2
N2
Dpai =
M (i, t-1) −
nt (N- nt-1 )
N2
x 100%
m
Por último, la dinamicida total sería la suma de la dinamicidad posicional más la
dinamicidad por participación (Uddin et al., 2015) en los distintos niveles de aplicación
respectivamente (actor, red social longitudinal agregada en todo el periodo y red social
en los distintos intervalos):
DTi = Dpoi + Dpai;
DTir(t) = Dpoir(t) + Dpair(t);
DT = Dpo + Dpa
Estas medidas de dinamicidad total sintetizarían los dos tipos de comportamiento la
variación en la posición y en la participación (Pattison, Carley y Breiger, 2003; Uddin et
al., 2015).
METODOLOGÍA
El objeto del estudio longitudinal es una red social virtual en la que construida con 918
emails de una lista de distribución de una comunidad de práctica de ingenieros de una
empresa multinacional del sector TIC durante un periodo total de cuatro años y medio.
Esta lista de distribución es utilizada por los ingenieros como red de consejo para
compartir el conocimiento: se pregunta, se responde o se comparte conocimiento
necesario para desplegar las innovaciones de software y hardware en redes de
telecomunicaciones.
El periodo de cuatro años y medio está subdividido en 6 intervalos que coinciden con
periodos de adopción de innovaciones (nuevos software y hardware) en las redes de
telecomunicaciones en las que trabajan los ingenieros de la comunidad.
Las estructura básica de la red (en este caso, sería una matriz de modo 1) se construye
analizando quién responde a quién en la lista de distribución. Este método ha sido
señalado por varios autores (Álvarez-Hernández, 2015; Borgatti & Molina, 2002; Maya
Jariego, 2001; Molina & Quiroga, 2006). Como apuntan Molina y Quiroga se
prescindirían de los mensajes en la lista de correo en los que no se da un intercambio
persona a persona; se eliminaría por tanto el primer email enviado a la lista de
distribución, haciendo abstracción, de que los mensajes en la lista son de carácter
público y ponen en relación (potencialmente) al emisor del mensaje con todos los
subscriptores de la misma. Aún con limitaciones, la red de mensajes y respuestas
permite representar la estructura de las relaciones entre el grupo de actores más activos
en la comunidad virtual (Álvarez-Hernández, 2015; Molina & Quiroga, 2006).
La matriz de modo 1 del periodo total agregado se divide en matrices de modo 1 para
los 6 intervalos de estudio. Las medidas de dinamicidad son las propuestas en el
apartado anterior que están basadas en Uddin et al (2015). Para calcularlas se utiliza
también la herramienta DyAlnet (Uddin, 2015) disponible en la página web
http://www.dyalnet15.com/ a las que se introduce como input las distintas matrices de
modo 1. La herramienta genera como output las distintas medidas de dinamicidad en
varios niveles (actor, intervalo y red) para medidas de centralidad e intermediación
RESULTADOS
A continuación se presentan los principales resultados de este estudio. En primer lugar
se presentará la evolución de las participaciones en la lista de distribución a lo largo del
periodo de estudio de cuatro años y medio. En segundo lugar se muestran los resultados
de la medidas de dinamicidad a nivel de actor, red y intervalos temporales
En la figura 3 se muestra la evolución del número de emails enviados a la lista de
distribución en un periodo de cuatro años y medio (de mayo del 2004 hasta febrero de
2009).
Figura 3. Evolución del número de emails enviados a la lista de distribución May 2004 –
Feb 2009, nº emails =918, Elaboración propia
El inicio de cada uno de los seis periodos es indicativo de que hay una nueva versión de
tecnología tanto en software como en hardware, es decir, que se produce el inicio del
primer despliegue de esa innovación tecnológica en una primera red de
telecomunicaciones y luego se va implementando en las demás redes de
telecomunicaciones. Estos inicios de tecnologías se marcan con v1, v2, v3, v4, v5 y v6
en la gráfica y son en realidad innovaciones incrementales. Además, en v3, v5 y v6 se
producen los inicios de 3 olas tecnológicas.
Es decir, en estas innovaciones además de innovaciones incrementales de versiones de
software y hardware existen, innovaciones por cambio de tecnología Los datos
mostrados en la gráfica sugieren que cuando hay disponible una nueva versión de la
software y hardware (v1 a v6) y de tecnología (v3, v5 y v6) se necesita nuevo
conocimiento y hay más intercambio de mensajes en la red, produciéndose un primer
pico más fuerte y después varios picos más pequeños hasta la espera de una nueva
innovación en la que se produce un nuevo pico fuerte. Los picos son más fuertes cuando
además de innovaciones incrementales se producen cambios más profundos en la
tecnología de redes de datos móviles- (los cambios de tecnologías comentados) que
producirían los picos más abruptos v3, v5 y v6). Adicionalmente esto se reafirma al
comparar la grafica anterior con los lanzamientos de redes por tecnologías (resultados
no mostrados por temas de confidencialidad).
Además en la gráfica anterior existe un evento importante, un cambio estructural
organizativo a finales de 2006 principios del 2007, que mostramos en la gráfica con una
línea gruesa, donde gran parte de la comunidad desaparece (más del 40% de las
personas) y se añaden nuevos integrantes (alrededor del 15% de nuevas personas se
incorporan, este ratio va aumentando en los siguientes años). Este cambio
organizacional no es objeto de nuestra investigación pero podría ser incluido en líneas
futuras de investigación.
En las gráficas de evolución también se puede apreciar otro fenómeno de la adopción de
nueva tecnología y/o adopción de nuevos conocimientos, es decir con curva de la
experiencia en relación a esa tecnología, cuando empieza la tecnología hay menos
conocimiento y más necesidad de intercambio, después el nivel de intercambio
disminuye a no ser que se produzcan otras oleadas tecnológicas en las que vuelve a
haber nuevos incrementos de intercambio de conocimiento. Esto se muestra en la figura
4 que contiene la media móvil de participaciones en los últimos 12 meses:
Figura 4. Evolución de la media móvil del número de emails de las personas activas en la
lista de distribución. Elaboración propia
Medidas de dinamicidad
En primer lugar la tabla 2 presenta los top 10 actores en términos de dinamicidad
posicional (por centralidad de grado), dinamicidad por participación y dinamicidad
total (suma de las dos anteriores) en los seis intervalos propuestos y en la agregación del
periodo total de cuatro años y medio.
Tabla 2. Lista de los Top 10 actores en términos de dinamicidad
Los actores que presentan mayor dinamicidad son los ingenieros que trabajan en redes de
telecomunicaciones que lanzan la tecnología o las distintas versiones de las mismas antes que
los demás. Por ejemplo, el actor de color azul oscuro, el naranja claro y el gris oscuro trabajaban
para la red de telecomunicación donde primero se adoptan las distintas innovaciones. Así ocurre
también para los demás colores (rojo, naranja oscuro, malva) que son también de las primeras
redes en las que se implementa la tecnología. Hay que decir que en el periodo de estudio se
llegaron a implementar innovaciones en 45 redes de telecomunicaciones. Si se observa el
periodo total agregado 8 de los actores habrían trabajado para los "early adopters" de la
tecnología, según el modelo de Rogers (2010) y dos serían actores que trabajan en departamento
central dando soporte a todas las redes, en especial, a las primeras redes donde se introducen las
innovaciones.
En segundo lugar se analiza la evolución de la dinamicidad a nivel de red agregada para los
distintos intervalos
35
30
25
20
15
10
5
0
1
2
3
4
5
6
Dinamicidad posicional (centralidad de grado)
Dinamicidad por participación
Dinamicidad completa
Figura 5. Evolución de la dinamicidad de red por intervalos de estudio
En general, la dinamicidad por participación de red parece evolucionar en sentido creciente
cuando se producen innovaciones por cambio de tecnología pero la tendencia a lo largo del
periodo es decreciente a medida que hay mayores adoptantes de la tecnología, es decir se llega a
45 redes de telecomunicaciones que han adoptado las innovaciones.
En la figura 6 se presenta la evolución de la dinamicidad en los distintos intervalos, los
subintervalos de medida en este caso sería la unidad mensual. Es decir, cada intervalo que tiene
su correspondencia con el inicio de la adopción de una release de software y hardware hasta el
inicio de la siguiente estará subdividido a su vez en subintervalos de duración de un mes.
Figura 6. Evolución de la dinamicidad mensual en los intervalos
La dinamicidad posicional parece decrecer, presentando picos al inicio de cada periodo de
adopción de tecnología. Sin embargo la dinamicidad por participación parece aumentar.
Cuando comparamos este gráfico con la evolución de los Top 10 actores (ver tabla 2) se aprecia
que existe un conjunto de actores de mayor posición y mayor participación que es constante a lo
largo del tiempo pero sin embargo existen otra serie de actores que se incorporan a lo largo del
tiempo y que generarían nuevas participaciones. Al revisar qué tipo de actores son estos, se
encuentra que o bien son nuevas incorporaciones a la organización de ingeniería o personas que
trabajan para redes que acaban de adoptar la tecnología pero que no son early adopters.
DISCUSIÓN Y CONCLUSIÓN
El presente estudio aplica de forma práctica las medidas de dinamicidad sugeridas por Uddin et
al (2015). En los resultados de los análisis de dinamicidad por actor, se mostró que los Top 10
actores trabajan para las redes de telecomunicaciones adoptantes tempranas de las nuevas
innovaciones tecnológicas. Esto está en consonancia con los resultados de Álvarez-Hernández
(2015) y Brukhardt y Brass (1990) y de que señalaban que los "early adopters" de las TI
incrementan su centralidad y poder más que los que adoptan la tecnología de forma tardía.
Los resultados de dinamicidad de red sugerían una tendencia decreciente de la dinamicidad
(posicional y por participación) a medida que se adopta la tecnología. Se podría por tanto
corroborar este resultado en futuras investigaciones y lanzar la hipótesis de si a medida que se
adopta la tecnología la dinamicidad de la red disminuye al igual que los autores mencionados
(Álvarez-Hernández, 2015; Burkhardt & Brass, 1990) comprobaron que a medida que la
tecnología se adoptaba la centralidad de grado disminuía. Esto estaría en consonancia también
con las curvas de aprendizaje de las innovaciones tecnológicas, a medida que se introduce una
tecnología con el tiempo se es más eficiente en el desarrollo o en la implementación de la
misma y el conocimiento necesario se estandarizaría y se codificaría.
Se han encontrado ciertas discrepancias en la evolución de la dinamicidad de red (tendencia
decreciente) versus la dinamicidad en los distintos intervalos (creciente en participación y
decreciente en posición). Esto podría ser debido a que a medida que hay más adopciones de la
tecnología nuevos actores se incorporan a la red (bien nuevas contrataciones o personas que
trabajan para las redes de telecomunicaciones que acaban de adoptar la tecnología). Estas
personas podrían requerir de más apoyo de la comunidad contribuyendo a la dinamicidad por
participación. Esto sería susceptible de ser comprobado en futuras investigaciones junto con el
impacto de la elección de las ventanas de medida que serán discutidas a continuación.
Entre las limitaciones de este estudio se encuentran las derivadas de la elección de las ventanas
de medida. Una de las autoras de este artículo fue integrante de la comunidad de ingeniería
objeto de la investigación, lo que ha hecho que la elección de intervalos se corresponda con
eventos importantes de la comunidad como es el lanzamiento de innovaciones. La literatura ha
señalado que existe un problema en la elección de ventanas de medidas en las investigaciones
de análisis de redes y en particular en los estudios longitudinales como señala ÁlvarezHernández (2015): la investigación parece apuntar a que no hay una regla fija a la hora de partir
y agregar la información, pudiendo ser un año, dos años o incluso diez años dependiendo del
contexto de la investigación. Zeini, Gönert, Hecking, Lothar y Ulrich (2014) apuntaron que la
influencia de la ventana de tiempos en la captura de datos encontraría su analogía en la
fotografía que requiere un tamaño mínimo de la ventana de tiempo para obtener una imagen
nítida y luminosa, es decir, en el caso del análisis longitudinal, para que haya unos datos de
interacción densos que sean suficientes, mientras que si la ventana de tiempo se extiende
excesivamente, la imagen será borrosa. Siguiendo la misma analogía, los datos habrán cambiado
de forma similar a la que lo hace un objeto en movimiento cuando se le va a fotografiar.
Los resultados serían relevantes desde el punto de vista de la práctica ya que los datos sugerirían
que en situaciones de despliegue de nuevas tecnologías se debería fomentar la dinamicidad
(posicional y de participación) para fomentar un mayor acceso al conocimiento, que en
situaciones de tecnologías emergentes y tempranas suele ser escaso.
Por último, se ha profundizado en como las relaciones de consejo de una comunidad se analizan
en varios puntos en el tiempo y se utilizan las perspectivas de análisis de redes y análisis
longitudinales para estudiar los cambios en la comunidad. Desde una perspectiva metodológica,
la aportación de nuevos métodos de análisis longitudinales, posibilitan nuevas ópticas para
abordar la profundización en los mecanismos de las redes sociales, y de sus aplicaciones, como
es el caso de la gestión de conocimiento y sus procesos (Álvarez-Hernández, 2015).
AGRADECIMIENTOS
Los autores de este artículo agradecen al Dr Shahadat Uddin y a Arif Khan el soporte recibido
respecto a la conceptualización de la dinamicidad y la herramienta DyAlnet.
BIBLIOGRAFÍA
Álvarez-Hernández, G. (2015). Crear y compartir conocimiento en redes sociales
empresariales: Factores personales y organizacionales clave en una comunidad de
práctica virtual
Borgatti, S., & Molina, J. L. (2002). What can social network analysis do for
management consulting. Paper presented at the Proceedings of the Building
Effective Networks Conference, Academy of Management, Denver, Colorado, 9-14.
Burkhardt, M. E., & Brass, D. J. (1990). Changing patterns or patterns of change: The
effects of a change in technology on social network structure and power.
Administrative Science Quarterly, , 104-127.
Carrington, P. J., Scott, J., & Wasserman, S. (2005). Models and methods in social
network analysis Cambridge university press.
Christakis, N. A., & Fowler, J. H. (2007). The spread of obesity in a large social
network over 32 years. New England Journal of Medicine, 357(4), 370-379.
Fowler, J. H., & Christakis, N. A. (2008). Dynamic spread of happiness in a large social
network: Longitudinal analysis over 20 years in the framingham heart study. BMJ
(Clinical Research Ed.), 337, a2338. doi:10.1136/bmj.a2338 [doi]
Lid, V. (2013). Investigating the Evolution of Key Member Roles in Socio-Technical
Networks---Introducing the Composite Role Framework,
Maya Jariego, I. (2001). Psycho-social aspects in an on-line self-help group of
alzheimer’s patients and caregivers. Paper presented at the Proceedings of the
Third Conference of the International Society for Quality of Life Studies, 923-936.
McCulloh, I., & Carley, K. (2009). Longitudinal Dynamic Network Analysis.using the
Over Time Viewer Feature in Ora,
McCulloh, I., & Carley, K. M. (2011). Detecting Change in Longitudinal Social
Networks,
Molina, J. L., & Quiroga, Á. (2006). Talleres de autoformación con programas
informáticos de análisis de redes sociales Universitat Autònoma de Barcelona.
Ren, J., Yang, X., Zhu, Q., Yang, L., & Zhang, C. (2012). A novel computer virus
model and its dynamics. Nonlinear Analysis: Real World Applications, 13(1), 376384.
Rogers, E. M. (2010). Diffusion of innovations Simon and Schuster.
Snijders, T. A. B. (2006). Statistical methods for network dynamics. Paper presented at
the Proceedings of the XLIII Scientific Meeting, Italian Statistical Society, 281–
296.
Snijders, T. A. (2009). Longitudinal methods of network analysis. Encyclopedia of
Complexity and System Science, , 5998-6013.
Uddin, S.DyAlnet. tool for dynamicity analysis of longitudinal network. 2015.
Retrieved from http://www.dyalnet15.com/
Uddin, S., Khan, A., & Piraveenan, M. (2015). A set of measures to quantify the
dynamicity of longitudinal social networks. Complexity,
Uddin, S., Piraveenan, M., Khan, A., & Amiri, B. (2013). Conceptual quantification of
the dynamicity of longitudinal social networks. Paper presented at the Social
Computing (SocialCom), 2013 International Conference On, 868-873.
Wasserman, S., & Faust, K. (2013). Análisis de redes sociales. métodos y aplicaciones
CIS-Centro de Investigaciones Sociológicas.
Zeini, S., Göhnert, T., Hecking, T., Krempel, L., & Hoppe, H. U. (2014). The impact of
measurement time on subgroup detection in online communities. State of the art
applications of social network analysis (pp. 249-268) Springer.